EN中文

干旱区研究 >

2024 , Vol. 41 >Issue 6: 1069 - 1078

DOI: https://doi.org/10.13866/j.azr.2024.06.15

农业生态

基于无人机高光谱影像的冬小麦叶片氮浓度遥感估测

  • 孙法福 , 1, 2, 3 ,
  • 赖宁 1, 2 ,
  • 耿庆龙 1, 2 ,
  • 李永福 1, 2 ,
  • 吕彩霞 1, 2 ,
  • 信会男 1, 2 ,
  • 李娜 1, 2 ,
  • 陈署晃 , 1, 2
展开
  • 1.新疆农业科学院土壤肥料与农业节水研究所，新疆 乌鲁木齐 830091
  • 2.新疆农业科学院农业遥感中心，新疆 乌鲁木齐 830091
  • 3.新疆农业大学资源与环境学院，新疆 乌鲁木齐 830052
陈署晃. E-mail:

孙法福(1997-)，男，硕士研究生，主要从事农业遥感相关研究. E-mail:

收稿日期: 2023-12-01

  修回日期: 2024-04-20

  网络出版日期: 2025-08-12

基金资助

农业科技创新稳定支持专项(xjnkywdzc-2023002)

农业科技创新稳定支持专项(xjnkywdzc-2023007-3)

新疆小麦产业技术体系(XJARS-01)

新疆维吾尔自治区重大专项(2022A02011-2)

收起

Estimation of nitrogen contentration in winter wheat leaves based on hyperspectral images of UAV

  • SUN Fafu , 1, 2, 3 ,
  • LAI Ning 1, 2 ,
  • GENG Qinglong 1, 2 ,
  • LI Yongfu 1, 2 ,
  • LV Caixia 1, 2 ,
  • XIN Huinan 1, 2 ,
  • LI Na 1, 2 ,
  • CHEN Shuhuang , 1, 2
Expand
  • 1. Institute of Soil, Fertilizer and Water Saving Agriculture Xinjiang Academy of Agricultural Sciences, Urumqi 830091, Xinjiang, China
  • 2. Agricultural Remote Sensing Center, Xinjiang Academy of Agricultural Sciences, Urumqi 830091, Xinjiang, China
  • 3. College of Resources and Environmental Sciences, Xinjiang Agricultural University, Urumqi 830052, Xinjiang, China

Received date: 2023-12-01

  Revised date: 2024-04-20

  Online published: 2025-08-12

Fold

摘要

叶片氮浓度（LNC）是反应作物光合作用、营养状况和长势的重要指标，为精准高效地估测不同生育期冬小麦叶片氮浓度，以新冬22为研究对象，利用无人机搭载Pika L高光谱相机获取4个关键生育期冬小麦冠层反射率数据。基于波段优化算法和相关性分析筛选LNC敏感光谱指数，结合逐步回归、多元线性回归和偏最小二乘回归建立关键生育期冬小麦叶片氮浓度估测模型，并与单变量估测模型进行比较。结果表明：基于波段优化算法筛选的组合光谱指数与LNC的相关性优于传统植被指数，且达到极显著性相关；在单变量LNC估测模型中，组合光谱指数构建的模型精度优于传统植被指数，其中，扬花期差值光谱指数（DSI(R940、R968)）建立的估测模型最好，R2为0.789；多变量估测模型精度均优于单变量估测模型，其中，基于偏最小二乘回归构建的LNC估算模型最好，孕穗期和扬花期拟合效果较优，模型决定系数均为0.923，均方根误差为0.082、0.084。本研究结果可以作为冬小麦LNC估测和长势监测的科学依据。

关键词： 冬小麦; 叶片氮浓度; 无人机; 高光谱; 偏最小二乘回归; 组合光谱指数

本文引用格式

孙法福 , 赖宁 , 耿庆龙 , 李永福 , 吕彩霞 , 信会男 , 李娜 , 陈署晃 . 基于无人机高光谱影像的冬小麦叶片氮浓度遥感估测[J]. 干旱区研究, 2024 , 41(6) : 1069 -1078 . DOI: 10.13866/j.azr.2024.06.15

Abstract

Established leaf nitrogen concentration (LNC) is the response of crop photosynthesis, an important index of nutrition and growth. To accurately and efficiently estimate different growth period of winter wheat LNC, with the new winter 22 as the research object, using the (UAVs) Pika L hyperspectral cameras for four key growth period of winter wheat canopy reflectance data. The LNC-sensitive spectral index was screened based on the band optimization algorithm and correlation analysis. Stepwise regression, multiple linear regression, and partial least squares regression were combined to establish the estimation model of winter wheat LNC in each key growth stage, which was compared with the single variable estimation model. The results showed that (1) the correlation between the combined spectral index screened using the band optimization algorithm and LNC was stronger than that obtained using the traditional vegetation index and was extremely significant; (2) the combined spectral index in the single variable LNC estimation model allowed to obtain a more accurate model compared with the traditional vegetation index, including Yang flowering DSI(R940, R968) estimate model is set up, best R2 of 0.789. The multi-variable estimation models were more accurate than the single variable estimation models and, among them, the LNC estimation model based on partial least squares regression was the best, and the fitting effect of the booting and flowering stages was better. This model had a coefficient of determination of 0.923 and root-mean-square errors of 0.082 and 0.084. The results of this study provide a theoretical basis and technical support to estimate the LNC of winter wheat and monitor its growth.

Key words： winter wheat; leaf nitrogen content (LNC); unmanned aerial vehicle (UAV); hyperspectral; partial leastsquares regression; combination of spectral index

作为作物生长发育必不可少的三大营养元素之一的氮素[1]，对作物产量和品质有着重要的影响。叶片氮浓度是反应作物长势和氮营养状况一个非常重要的指标，能够定量和准确地反映出作物氮素丰缺程度，因此，从叶片氮浓度角度衡量作物氮素营养状况显得十分必要。传统的叶片氮浓度检测要对植株进行破坏性取样，虽然，准确度高，但是操作繁琐和存在一定的滞后性[2]。因此，基于遥感技术的叶片氮浓度快速无损监测成为精准农业研究的热点[3⇓-5]。Fitzgerald等[6]利用线性回归模型基于叶绿素指数建立了小麦冠层氮含量估算模型，R2为0.81；冯伟等[7]基于红边位置计算的GM2、SR705和FD742等植被指数建立了小麦叶片氮素状况估测模型；魏鹏飞等[8]基于15种传统植被指数采用后向逐步回归方法建立了玉米不同生育期叶片氮浓度估测模型；康恺等[9]利用逐步回归方法建立了不同品种大豆3个关键生育期LNC估测模型，其中，NDVI与LNC相关性最高；杨欣等[10]采用一种新的集成学习算法XGBoost利用高光谱数据建立了冬小麦拔节期植株全氮含量预测模型，模型精度R2为0.76，RMSE为2.68；宋晓等[11]研究发现，组合植被指数NEW-NDRE与冬小麦叶片氮浓度相关性要优于11种传统光谱指数，灌浆期NEW-NDRE构建的线性LNC反演模型最好，R2为0.9，RMSE为0.4；李丹等[12]通过光谱理论模型对小麦拔节期的光谱指数波段进行优化，克服了传统红光光谱指数饱和问题，优化后的光谱指数显著提高了冠层氮素含量预测能力，小麦最佳光谱指数为R796/R760-1；秦占飞等[13]基于RVI（738 nm、522 nm）为光谱变量建立的线性模型为水稻叶片含氮量估测模型最优，模型检验R2为0.673，RMSE为0.329；常潇月等[14]把从无人机高光谱影像中获取的光谱位置、面积和植被指数作为一元回归模型的输入变量用来估测玉米叶绿素含量，并进行反演填图；尹航等[15]通过波段优化算法筛选马铃薯叶绿素含量相关性高的组合植被指数为NDSI，并基于线性回归建立了LCC估测模型，R2为0.83。前人研究多数基于单生育时期或单变量建立的估测模型，并没有考虑不同生育期和不同变量对估测模型的影响；而且高光谱影像结合波段优化算法估测冬小麦LNC的研究报道较少。本文研究不同生育期植被指数和组合光谱指数与冬小麦LNC之间的关系，结合一元回归、逐步回归、多元线性回归和偏最小二乘回归构建LNC估测模型，以期为冬小麦关键生育期长势、氮营养诊断和合理增施氮肥提供科学合理依据。

1 材料与方法

1.1 研究区概况

试验地位于新疆农业科学院奇台麦类试验站（43°59′6″N，89°44′48″E）（图1），海拔831 m，年平均气温5.5 ℃，年均日照时数2280~3230 h，年平均降水量269.4 mm，属中温带大陆性半荒漠干旱性气候。土壤类型为灌耕灰漠土，土壤理化性质如表1所示。
图1 试验区概况

注：底图采用自然资源部标准地图制作，审图号为GS(2022)4312号，对底图边界无修改。下同。

Fig. 1 General situation of test plot

表1 试验区土壤理化性质

Tab. 1 Experimental zone of soil physical and chemical properties

pH 盐分
/(g·kg-1)		 有机质
/(g·kg-1)		 全氮
/(g·kg-1)		 速效磷
/(mg·kg-1)		 速效钾
/(mg·kg-1)
8.12 1.46 16.61 0.94 19.31 272

1.2 试验设计

试验品种为新冬22号，设置0、210、240、270、300 kg·hm-2和330 kg·hm-2 6个氮肥梯度，每个梯度3次重复，小区面积为9 m×11 m=99 m2，随机区组排列。氮肥为普通尿素，全部随水滴施，返青期、拔节期、孕穗期、扬花期和灌浆期施氮量占总施氮量比例为：25%、25%、25%、15%和10%。磷肥（P2O5 150 kg·hm-2）和钾肥（K2O 45 kg·hm-2）全部随水滴施。小区种植与管理方式和当地大田相同。

1.3 无人机高光谱数据采集与处理

试验采用大疆M600Pro无人机搭载Resonon Pika L高光谱成像仪分别于2023年5月11日、5月24日、6月8日和6月21日获取冬小麦冠层高光谱影像，高光谱仪主要参数如表2所示。数据采集前规划无人机航线，飞行高度设置100 m，镜头垂直向下，视场角为17.6°，试验区铺设靶标布便于后期辐射定标。数据采集后，在MegaCubeV 2软件中进行辐射定标和几何校正，然后在ArcGIS进行地理配准，最后在ENVI 5.3中进行影像无缝拼接、裁剪、反射率计算和构建感兴趣区，以兴趣区内的平均值作为该小区的光谱反射率。
表2 Pika L高光谱成像仪主要参数

Tab. 2 Main parameters of Pika L hyperspectral imager

参数 数值
光谱范围 400~1000 nm
采样间隔 2.1 nm
光谱通道 281 bands
空间通道数 900个
光谱分辨率 2.1 nm
尺寸 11.5 cm×10.4 cm×6.6 cm

1.4 农学参数获取

获取完无人机高光谱影像后，在光谱测定区域破坏性选取具有代表性的30株小麦，将其按器官分为茎、叶和穗分别装入纸袋中，置于105 ℃烘箱中杀青30 min，80 ℃烘干至恒重，称其干重量。将烘干的叶片样粉碎，用凯氏定氮法测定叶片氮浓度。

1.5 光谱指数选择

光谱变换和构建植被指数是减小土壤背景、大气水分等环境因素对作物冠层反射率干扰的有效方法[16⇓⇓⇓-20]。本研究通过光谱指数构建LNC估测模型，步骤如下：（1） 筛选已报道的与作物LNC相关性高的10种植被指数；（2） 构建400~1000 nm范围内任意两波段组合的归一化光谱指数（Normalized Spectral Index，NDIS）、差值光谱指数（Difference Spectral Index，DSI）和比值光谱指数（Ratio Spectral Index，RSI）。光谱指数及其定义如表3所示[8,11-12,15,21⇓-23]。
表3 光谱指数及其定义

Tab. 3 Spectral indices and defintions

光谱指数类型 光谱特征指数 定义 文献
任意两波段光谱指数

 DSI（差值光谱指数） Ri－Rj 本研究
RSI（比值光谱指数） Ri/Rj 本研究
NDSI（归一化光谱指数） (Ri－Rj)/(Ri+Rj) 本研究
植被指数







 SR（简单比值指数） R750/R706 [21]
NDRE（红边归一化光谱指数） (R790－R720)/(R790+R720) [11]
MTCI（陆地叶绿素指数） (R750－R710)/(R710－R680) [22]
NDVI（归一化植被指数） (R780－R670)/(R780+R670) [23]
GNDVI（绿色归一化植被指数） (R750－R550)/(R750+R550) [22]
RNDRE（红边归一化植被指数） （R750－R705)/(R750+R706) [15]
VOG（红边指数） R742/R722 [23]
CIred-edge（红光叶绿素光谱指数） (R780/R710)－1 [12]
CIgreen（绿光叶绿素光谱指数） (R780/R550)－1 [15]
RVI（比值植被指数） R790/R670 [8]

注：Ri和Rj表示任意两波段的反射率；i和j表示在波段400~1000 nm范围内的任意波段位置。

1.6 模型构建与验证

从每个生育期同一试验处理随机抽取2个小区用于建模，剩余1个小区用于验证。4个生育期共采集144组光谱和叶片氮浓度样本，其中，96组用于建模，48组用于验证。利用一元回归、多元线性回归、逐步回归、偏最小二乘回归构建冬小麦LNC估测模型，选取决定系数(coefficient of determination，R2)和均方根误差（Root Mean Square Error，RMSE）来衡量模型的精度与可靠性，R2越趋近1，说明模型的稳定性越好、拟合程度越高。RMSE表示预测值与真实值之间的偏差，RMSE越小，越接近于0，模型估算精度越高。

2 结果与分析

2.1 植被指数与叶片氮浓度的相关性分析

LNC与植被指数相关性如图2所示，在拔节期，MTCI与LNC相关系数最高，为0.74；孕穗期，CIred-edge与LNC相关系数最大，为0.75；在扬花期，NDRE与LNC相关性最好，相关系数为0.76；灌浆期，RNDRE与LNC相关系数最高，为0.66。整体上来看，基于红边位置计算的MTCI、SR、NDRE、VOGb和CIred-edge植被指数与LNC的相关性均达到极显著，且要优于其他植被指数[24]。
图2 不同生育期冬小麦LNC与植被指数的相关系数

Fig. 2 Correlation coefficients between leaf nitrogen content (LNC) in winter wheat and vegetation index during different growing periods

2.2 组合光谱指数与叶片氮浓度的相关性分析

在Matlab中计算并绘制任意两波段组合的三类光谱指数与叶片氮浓度300×300相关性等势图，如图3所示。结果中相关性大于0.59的区域，表明光谱指数与LNC达到极显著相关，各生育期最优组合光谱指数如表4所示。拔节期、孕穗期、扬花期和灌浆期最优组合光谱指数分别为DSI(R644、R688)、NDSI(R632、R620)、RVI(R940、R980)和DSI(R914、R912)，其相关系数为-0.864、0.863、0.877和0.811。
图3 不同生育期内任意两波段三类光谱指数与LNC相关性等势图

Fig. 3 Correlation isospheric map between the three kinds of spectral indices and the LNC in any two bands during different growing periods

表4 光谱指数入选波段与叶片氮浓度的相关性

Tab. 4 Correlation of spectral index entry bands with leaf nitrogen concentrations

生育时期 光谱指数 相关系数
拔节期

 DSI(R644、R688) -0.864**
RSI(R596、R692) 0.836**
NDSI(R596、R692) -0.837**
孕穗期

 DSI(R826、R790) 0.858**
RSI(R632、R620) 0.863**
NDSI(R620、R632) 0.863**
扬花期


 DSI(R940、R968) 0.877**
RSI(R494、R514) 0.870**
NDSI(R514、R494) 0.869**
灌浆期

 DSI(R914、R912) 0.811**
RSI(R444、R520) 0.808**
NDSI(R444、R520) -0.810 **

注：**表示在P<0.01显著；*表示在 P<0.05显著。下同。

2.3 叶片氮浓度估测模型的构建与验证

2.3.1 基于单个光谱参数的叶片氮浓度估算

以表3中的光谱指数作为自变量，LNC为因变量，应用线性函数、指数函数、二次函数、幂函数4种方法构建估测模型，其结果如表5所示。4种回归方法中，线性函数模型精度最低。基于组合光谱指数建立的估测模型要优于传统植被指数，其中，DSI拟合效果最佳。拔节期以DSI(R644、R688)构建的指数模型精度最高，R2为0.777；孕穗期二次函数模型最好，RSI(R632、R620)和NDSI(R620、R632)建立的估测模型R2最高，为0.781；扬花期以DSI(R940、R968)建立的幂函数估测模型最好，R2为0.789；灌浆期以DSI(R914、R912)建立的幂函数估测模型最优，R2为0.736。
表5 不同生育时期单个光谱参数的小麦叶片氮浓度（LNC）估测模型

Tab. 5 LNC estimation model of wheat with a single spectral parameters at different growth stages

光谱
指数		 线性函数 二次函数 指数函数 幂函数
A B C D A B C D A B C D A B C D
SR 0.530* 0.538* 0.549* 0.476* 0.531* 0.636** 0.567* 0.578* 0.523* 0.548* 0.581* 0.546* 0.519* 0.508* 0.598** 0.616**
NDRE 0.504* 0.560* 0.585* 0.533* 0.509* 0.650** 0.585* 0.575* 0.504* 0.572* 0.613** 0.622* 0.483* 0.537* 0.604** 0.660**
MTCI 0.541* 0.553* 0.583* 0.507* 0.543* 0.583* 0.592* 0.595* 0.538* 0.570* 0.605** 0.579* 0.520* 0.538* 0.619** 0.656**
NDVI 0.476* 0.360 0.476* 0.356 0.507* 0.571* 0.492* 0.429* 0.478* 0.362 0.525* 0.401* 0.457* 0.353 0.521* 0.423*
GNDVI 0.490* 0.439* 0.521* 0.240 0.511* 0.633** 0.541* 0.273 0.491* 0.446* 0.567* 0.269 0.473* 0.429* 0.555* 0.278
RNDRE 0.510* 0.468* 0.556* 0.549* 0.529* 0.633** 0.562* 0.572* 0.511* 0.479* 0.597** 0.643* 0.484* 0.453* 0.586* 0.665**
VOG 0.515* 0.556* 0.577* 0.505* 0.517* 0.656** 0.580* 0.578* 0.513* 0.568* 0.608* 0.586* 0.510* 0.548* 0.612** 0.617**
CIred-edge 0.524* 0.569* 0.564* 0.470* 0.524* 0.631** 0.581* 0.580* 0.517* 0.578* 0.589* 0.539* 0.501* 0.524* 0.606** 0.639**
CIgreen 0.506* 0.561* 0.530* 0.429* 0.506* 0.652** 0.564* 0.560* 0.499* 0.563* 0.562* 0.491* 0.491* 0.503* 0.584* 0.587*
RVI 0.511* 0.507* 0.454* 0.407* 0.511* 0.644** 0.520* 0.535* 0.494* 0.504* 0.501* 0.477* 0.502* 0.429* 0.531* 0.575*
DSI 0.747** 0.737** 0.769** 0.657** 0.752** 0.739** 0.770** 0.705** 0.777** 0.701** 0.757** 0.652** 0.777** 0.689** 0.789** 0.736**
RSI 0.699** 0.743** 0.757** 0.652** 0.700** 0.781** 0.759** 0.671** 0.704** 0.746** 0.756** 0.697** 0.706** 0.747** 0.757** 0.708**
NDSI 0.700** 0.744** 0.756** 0.657** 0.701** 0.781** 0.759** 0.672** 0.706** 0.747** 0.757** 0.705** 0.668** 0.702** 0.750** 0.686**

注：A表示拔节期，B表示孕穗期，C表示扬花期，D表示灌浆期。

2.3.2 基于多个光谱参数的叶片氮浓度估算

大量研究表明，多变量估测模型在精度和鲁棒性优于单变量估测模型[25]，而自变量间存在共线性以及自变量个数过多会导致过拟合等问题，所以，本研究选择整体相关性高的6个植被指数和3个最优组合光谱指数为多元线性回归、逐步回归和偏最小二乘回归建模的自变量。由表6可知，多变量估测模型精度比单变量模型有大幅度提升，3种建模方法中，偏最小二乘回归建立的估测模型最优，多元回归次之，逐步回归最差，拔节、孕穗、扬花和灌浆期最优模型R2分别为0.827、0.923、0.923和0.862，RMSE分别为0.125、0.082、0.081和0.125。
表6 不同生育时期多个光谱参数的小麦叶片氮浓度（LNC）估测模型

Tab. 6 LNC estimation model of wheat with multiple spectral parameters at different growth stages

生育期 模型类型 模型表达式 R2 RMSE
拔节期




 逐步回归 y=4.941+328.631×DSI 0.785** 0.152
多元线性回归
 y=5.237+1.643×SR-7.167×NDRE-0.371×MTCI-0.69×VOG+2.107×CIred-edge-1.298×CIgreen+416×DSI-12.857×NDSI 0.810**
 0.148
偏最小二乘回归
 y=-439.214+2.537×SR-0.644×CIgreen-847.763×NDSI-4.84×NDRE-0.166×MTCI+534.02×DSI+441.385×RSI-1.491×CIred-edge+2.067×VOG 0.827**
 0.125
孕穗期





 逐步回归 y=121.58×DSI+64.851×NDSI+0.676 0.886**
 0.146
多元线性回归
 y=-25.266-3.528×SR-63.571×NDRE-0.808×MTCI+35.126×VOG+2.556×CIred-edge-0.299×CIgreen+120.277×DSI+69.302×NDSI 0.915**
 0.088
偏最小二乘回归
 y=1989.584-3.786×SR-67.171×NDRE-1.078×MTCI+36.272×VOG+3.021×CIred-edge-0.287×CIgreen+135.439×DSI-2015.69×RSI-3856.162×NDSI 0.923**
 0.082
扬花期





 逐步回归 y=-8.102+26.947×DSI+13.905×RSI-4.374×NDRE 0.899** 0.106
多元线性回归
 y=-10.266+0.444×RS-5.814×NDRE-0.276×MTCI-0.45×CIred-edge+0.228×CIgreen-0.848×VOG+17.924×RSI+29.493×DSI 0.916**
 0.086
偏最小二乘回归
 y=-20.042+0.476×SR-5.603×NDRE-0.309×MTCI-0.47×CIred-edge+0.226×CIgreen-0.814×VOG+15.656×NDSI+27.821×RSI+29.548×DSI 0.923**
 0.084
灌浆期




 逐步回归 y=3.344+247.593×DSI-7.417×NDSI 0.753** 0.212
多元线性回归
 y=-19.407+1.844×SR-35.582×NDRE+3.161×MTCI+22.083×VOG-5.733×CIred-edge-0.529×CIgreen+406.249×DSI-2.746×RSI-3.227×NDSI 0.815**
 0.126
偏最小二乘回归
 y=1.952+1.646×SR-2.536×NDRE+2.848×MTCI+3.772×VOG-4.888×CIred-edge-0.74×CIgreen+0.327×DSI+0.565×RSI+0.591×NDSI 0.862**
 0.125

2.3.3 冬小麦叶片氮浓度最优估测模型的验证

为验证预测模型的稳定性和精度，利用验证集数据对回归方程进行检验，用R2和RMSE作为检验标准。将LNC实测值与模型预测值的空间分布绘制成散点图，散点分布接近1:1线，说明模型的估测效果较好。由图4可知，冬小麦4个关键生育期多变量估测模型验证精度均优于单变量估测模型，拔节期最优验证集R2为0.835，RMSE为0.107，散点分布比较均匀；孕穗期线性拟合R2最大为0.957，RMSE为0.088，散点均匀分布且接近1:1线，表明预测效果较好；扬花期预测值与实测值间斜率最大为0.945，此时RMSE为0.010最小，散点分布接近1:1线，离散程度最小，表明对LNC估测能力较强；灌浆期预测值和实测值间斜率为0.920，均方根误差为0.123，散点分布较离散。
图4 基于单变量和多变量的叶片氮浓度预测值与实测值的空间分布

Fig. 4 Spatial distribution of predicted and measured leaf nitrogen concentrations based on univariate and multivariate data

2.4 冬小麦叶片氮浓度遥感填图

由LNC估测模型验证结果可知，基于多变量构建的偏最小二乘回归估测模型精度和稳定性最优，因此，基于偏最小二乘回归模型预测4个关键生育期LNC值，用伪彩色处理绘制出冬小麦关键生育期叶片氮浓度反演图（图5）。从空间分布可以看出，冬小麦LNC呈现东南部、北部和中间地区偏低，其结果基本与实际情况相符。通过LNC反演图可以更加直观的掌握不同区域的小麦生长状况，以便后期实施精准追肥提供依据。
图5 各生育期冬小麦LNC空间分布

Fig. 5 Spatial distribution maps of winter wheat LNC during different growing periods

3 讨论

叶片氮浓度是反应作物长势和氮营养状况的一个主要参数，能够定量和准确地反映出作物氮素丰缺程度，因此，基于遥感技术的作物叶片氮浓度定量估测成为精准农业研究的热点。本文以北疆冬小麦为研究对象，研究传统植被指数和任意两波段组合光谱指数与叶片氮浓度的定量关系，研究发现，相比于传统植被指数，组合光谱指数与叶片氮浓度的相关性和构建估测模型的精度均有大幅度提升，进一步表明，组合光谱指数能够有效提高相关性和模型精度，这与前人研究结论相同，杨海波等[26]研究发现，通过波段优化算法确定的马铃薯植株氮浓度最优，RSI、NDSI组合光谱参数不仅可以克服传统光谱指数饱和现象，而且可以显著提高诊断模型的精度；罗丹等[27]在对小麦冠层叶绿素含量估测模型研究中发现，组合光谱指数显著提高了估测模型精度和稳定性；赖佳政等[22]通过无人机高光谱定量反演烤烟叶片叶绿素含量的研究得出，构造的任意两波段组合光谱指数对烟草叶片叶绿素含量的估测精度和稳定性在各生育期均优于传统植被指数。基于单一变量构建的估测模型易存在饱和现象[8]，所以，本研究采用多元线性回归、逐步回归和偏最小二乘法建立多变量的叶片氮浓度估测模型，研究发现，各生育期多光谱参数构建的叶片氮浓度估测模型其精度和稳定性均优于单参数模型，这与前人研究结果一致[22-23]，其中，各生育期均以偏最小二乘构建的LNC估测模型最优，与以往研究结果大致相同，班松涛等[28]对水稻叶片磷含量估算研究发现，通过特征波长构建的偏最小二乘回归估测模型精度高于神经网络模型；杨福芹等[29]通过研究不同生育期植株氮浓度与敏感波段的定量关系，发现扬花期基于一阶导数用偏最小二乘回归构建的估测模型效果最好；张文旭等[30]比较了5种预处理与偏最小二乘回归和主成分回归2种方法构建的棉花叶片氮素含量估测模型精度，发现以1/SG构建的偏最小二乘回归最优。本文对建立的LNC估测模型只进行了单一地点验证，是否对其他地区土壤、其他小麦品种同样适合，有待进一步研究。因此，在今后研究中需开展多品种多地点试验，进一步探讨不同光谱变换处理和拟合方法对LNC估测模型的影响，构建精度高、稳定性好的LNC估测模型，为冬小麦的生长发育监测及智慧种植提供理论依据和技术支撑。

4 结论

（1） 传统植被指数和任意两波段构建的组合光谱指数与冬小麦叶片氮浓度的相关性分析发现，从拔节期到灌浆期最优组合光谱指数与LNC的相关性均优于传统植被指数，且相关系数均达到0.8以上，拔节期644 nm与688 nm组合得到的DSI与LNC相关性最好，相关系数为-0.864；孕穗期NDSI(R632、R620)与LNC相关性最高，相关系数为0.863；扬花期940 nm和980 nm组合的DSI相关性最高，相关系数为0.877；灌浆期相关性最高的组合光谱指数为DSI(R914、R912)，相关系数为0.811。
（2） 采用一元回归、多元线性回归、逐步回归和偏最小二乘构建的冬小麦关键生育期叶片氮浓度估测模型中，发现多变量估测模型的精度和稳定性在各生育期均比单变量估测模型有大幅提升，R2至少提高1%，4个关键生育期均基于偏最小二乘回归建立的叶片氮浓度估测模型效果最佳，其建模集的R2和RMSE分别为0.827、0.923、0.923、0.862和0.125、0.082、0.084、0.125，验证集中，孕穗期精度最高，其次为扬花期，R2、RMSE分别为0.957、0.081和0.945、0.010。孕穗期和扬花期所构建的冬小麦叶片氮浓度估测模型稳定性和精度最优，通过遥感反演填图，可以直观掌握小区氮素营养状况，为变量施肥提供技术支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhao D L, Raja R K, Vijaya G K, et al. Nitrogen deficiency effects on plant growth, leaf photosynthesis and hyperspectral reflectance properties of sorghum[J]. European Journal of Agronomy, 2005, 22(4): 391-403.

[2]
郭建华, 赵春江, 王秀, 等. 作物氮素营养诊断方法的研究现状及进展[J]. 中国土壤与肥料, 2008(4): 10-14.

[Guo Jianhua, Zhao Chunjiang, Wang Xiu, et al. Research advancement and status on crop nitrogen nutrition diagnosis[J]. Soil and Fertilizer Sciences in China, 2008(4): 10-14. ]

[3]
郭发旭, 冯全, 杨森, 等. 基于无人机高光谱的马铃薯冠层叶片全氮含量反演[J]. 浙江农业学报, 2023, 35(8): 1904-1914.

[Guo Faxu, Feng Quan, Yang Sen, et al. Inversion of leaf nitrogen content in potato canopy based on unmanned aerial vehicle hyperspectral images[J]. Acta Agriculturae Zhejiangensis, 2023, 35(8): 1904-1914. ]

[4]
易翔, 吕新, 张立福, 等. 基于RF和SPA的无人机高光谱估算棉花叶片全氮含量[J]. 作物杂志, 2023(2): 245-252.

[Yi Xiang, Lv Xin, Zhang Lifu, et al. Unmanned aerial vehicle hyperspectral estimation of nitrogen content in cotton leaves based on RF and SPA[J]. Crops, 2023(2): 245-252. ]

[5]
邹德秋, 王家强, 张冬冬, 等. 基于光谱指数的胡杨叶片氮含量估算[J]. 森林与环境学报, 2022, 42(6): 623-630.

[Zou Deqiu, Wang Jiaqiang, Zhang Dongdong, et al. Estimation of nitrogen content in Populus euphratica leaves based on spectral index[J]. Journal of Forest and Environment, 2022, 42(6): 623-630. ]

[6]
Fitzgerald G, Rodriguez D, O’leary G, et al. Measuring and predicting canopy nitrogen nutrition in wheat using aspectral index-the canopy chlorophyll content index (CCCI)[J]. Field Crops Research, 2010, 116(3): 318-324.

[7]
冯伟, 朱艳, 姚霞, 等. 基于高光谱遥感的小麦叶干重和叶面积指数监测[J]. 植物生态学报, 2009, 33(1): 34-44.

[Feng Wei, Zhu Yan, Yao Xia, et al. Monitoring leaf dry weight and leaf area index in wheat with hyperspectral remote sensing[J]. Chinese Journal of Plant Ecology, 2009, 33(1): 34-44. ]

[8]
魏鹏飞, 徐新刚, 李中元, 等. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 农业工程学报, 2019, 35(8): 126-133.

[Wei Pengfei, Xu Xingang, Li Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 126-133. ]

[9]
康恺, 张伟, 贺燕, 等. 大豆冠层叶片氮含量检测研究—基于无人机多光谱图像[J]. 农机化研究, 2024, 46(2): 151-156.

[Kang Kai, Zhang Wei, He Yan, et al. Study on nitrogen content detection of soybean canopy-based on multispectral image of UAV[J]. Journal of Agricultural Mechanization Research, 2024, 46(2): 151-156. ]

[10]
杨欣, 袁自然, 叶寅, 等. 基于无人机高光谱遥感的冬小麦全氮含量反演[J]. 光谱学与光谱分析, 2022, 42(10): 3269-3274.

[Yang Xin, Yuan Ziran, Ye Yin, et al. Winter wheat total nitrogen content estimation based on UAV hyperspectral remote sensing[J]. Spectroscopy and Spectral Analysis, 2022, 42(10): 3269-3274. ]

[11]
宋晓, 许端阳, 黄绍敏, 等. 基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型[J]. 应用生态学报, 2020, 31(5): 1636-1644.

[Song Xiao, Xu Duanyang, Huang Shaomin, et al. Nitrogen content inversion of wheat canopy leaf based on ground spectral reflectance data[J]. Chinese Journal of Applied Ecology, 2020, 31(5): 1636-1644. ]

[12]
李丹, 李斐, 胡云才, 等. 基于光谱指数波段优化算法的小麦玉米冠层含氮量估测[J]. 光谱学与光谱分析, 2016, 36(4): 1150-1157.

[Li Dan, Li Fei, Hu Yuncai, et al. Study on the estimation of nitrogen content in wheat and maize canopy based on band optimization of spectral parameters[J]. Spectroscopy and Spectral Analysis, 2016, 36(4): 1150-1157. ]

[13]
秦占飞, 常庆瑞, 谢宝妮, 等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J]. 农业工程学报, 2016, 32(23): 77-85.

[Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(23): 77-85. ]

[14]
常潇月, 常庆瑞, 王晓凡, 等. 基于无人机高光谱影像玉米叶绿素含量估算[J]. 干旱地区农业研究, 2019, 37(1): 66-73.

[Chang Xiaoyue, Chang Qingrui, Wang Xiaofan, et al. Estimation of maize leaf chlorophyll contents based on UAV hyperspectral drone image[J]. Agricultural Research in the Arid Areas, 2019, 37(1): 66-73. ]

[15]
尹航, 李斐, 杨海波, 等. 基于无人机高光谱影像的马铃薯叶绿素含量估测[J]. 植物营养与肥料学报, 2021, 27(12): 2184-2195.

[Yin Hang, Li Fei, Yang Haibo, et al. Estimation of canopy chlorophyll in potato based on UAV hyperspectral images[J]. Journal of Plant Nutrition and Fertilizers, 2021, 27(12): 2184-2195. ]

[16]
Liu H Y, Zhu H C, Wang P. Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hy-perspectral data[J]. International Journal of Remote Sensing, 2017, 38(8-10): 2117-2134.

[17]
付波霖, 邓良超, 张丽, 等. 联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演[J]. 遥感学报, 2022, 26(6): 1182-1205.

[Fu Bolin, Deng Liangchao, Zhang Li, et al. Estimation of man-grove canopy chlorophyll content using hyperspectral im-age and stacking ensemble regression algorithm[J]. National Remote Sensing Bulletin, 2022, 26(6): 1182-1205. ]

[18]
Zhang Y, Xia C Z, Zhang X Y, et al. Estimating the maize biomass by crop height and narrowband vegetation indices derived from UAV-based hyperspectral images[J]. Ecological Indicators, 2021, 129.

[19]
李玉霞, 杨武年, 童玲, 等. 基于光谱指数法的植被含水量遥感定量监测及分析[J]. 光学学报, 2009, 29(5): 1404-1405.

[Li Yuxia, Yang Wunian, Tong Ling, et al. Remote sensing quantitative monitoring and analysis of fuel moisture content based on spectral index[J]. Acta Optica Sinica, 2009, 29(5): 1404-1405. ]

[20]
左璐, 王焕炯, 刘荣高, 等. 基于不同光谱指数的植被物候期遥感监测差异[J]. 应用生态学报, 2018, 29(2): 599-603.

[Zuo Lu, Wang Huanjiong, Liu Ronggao, et al. Differences of vegetation phenology monitoring by remote sensing based on different spectral vegetation indices[J]. Chinese Journal of Applied Ecology, 2018, 29(2): 599-603. ]

[21]
Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology, 1994, 143(3): 286-292.

[22]
赖佳政, 李贝贝, 程翔, 等. 基于无人机高光谱遥感的烤烟叶片叶绿素含量估测[J]. 智慧农业(中英文), 2023, 5(2): 68-81.

[Lai Jiazheng, Li Beibei, Cheng Xiang, et al. Monitoring of leaves chlorophyll content in flue-cured tobacco based on hyperspectral remote sensing of unmanned aerial vehicle and machine learning[J]. Smart Agriculture, 2023, 5(2): 68-81. ]

[23]
王玉娜, 李粉玲, 王伟东, 等. 基于无人机高光谱的冬小麦氮素营养监测[J]. 农业工程学报, 2020, 36(22): 31-39.

[Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 31-39. ]

[24]
高兴, 李斐, 杨海波, 等. 基于红边位置的马铃薯植株氮浓度估测方法研究[J]. 植物营养与肥料学报, 2019, 25(2): 296-310.

[Gao Xing, Li Fei, Yang Haibo, et al. Appropriate calculation method for the use of red edge position to estimate potato nitrogen concentration[J]. Journal of Plant Nutrition and Fertilizers, 2019, 25(2): 296-310. ]

[25]
Li C, Chen P, Ma C Y, et al. Estimation of potato chlo-rophyll content using composite hyperspectral index parameters collected by an unmanned aerial vehicle[J]. International Journal of Remote Sensing, 2020, 41(21): 8176-8197.

[26]
杨海波, 李斐, 张加康, 等. 基于高光谱指数估测马铃薯植株氮素浓度的敏感波段提取[J]. 植物营养与肥料学报, 2020, 26(3): 541-551.

[Yang Haibo, Li Fei, Zhang Jiakang, et al. The deriving of sensitive wave band for the estimation of plant nitrogen concentration in potato based on hyperspectral indices[J]. Journal of Plant Nutrition and Fertilizers, 2020, 26(3): 541-551. ]

[27]
罗丹, 常庆瑞, 齐雁冰, 等. 基于光谱指数的冬小麦冠层叶绿素含量估算模型研究[J]. 麦类作物学报, 2016, 36(9): 1225-1233.

[Luo Dan, Chang Qingrui, Qi Yanbing, et al. Estimation model for chlorophyll content in winter wheat canopy based on spectral indices[J]. Journal of Triticeae Crops, 2016, 36(9): 1225-1233. ]

[28]
班松涛, 田明璐, 常庆瑞, 等. 基于无人机高光谱影像的水稻叶片磷素含量估算[J]. 农业机械学报, 2021, 52(8): 163-171.

[Ban Songtao, Tian Minglu, Chang Qingrui, et al. Estimation of rice leaf phosphorus content using UAV-based hyperspectral images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(8): 163-171. ]

[29]
杨福芹, 李蕊, 冯海宽, 等. 不同生育期冬小麦植株氮含量遥感反演方法比较[J]. 东北农业科学, 2023, 48(3): 118-124.

[Yang Fuqin, Li Rui, Feng Haikuan, et al. Comparison of hyperspectral remote sensing inversion methods for plant nitrogen content in different growth stages[J]. Journal of Northeast Agricultural Sciences, 2023, 48(3): 118-124. ]

[30]
张文旭, 佟炫梦, 周天航, 等. 基于高光谱成像的棉花叶片氮素含量遥感估测[J]. 沈阳农业大学学报, 2021, 52(5): 586-596.

[Zhang Wenxu, Tong Xuanmeng, Zhou Tianhang, et al. Remote sensing estimation of cotton leaf nitrogen content based on hyperspectral imaging[J]. Journal of Shenyang Agricultural University, 2021, 52(5): 586-596. ]

Options
文章导航

/

〈 〉